Artificial intelligence-based robots in education: A systematic review of selected SSCI publications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the rapid development of artificial intelligence, the application of AI robots (Artificial Intelligence-based robots) for instruction has become an attractive research topic. Numerous studies have shown that AI robots may provide new opportunities for learning designs in school settings or professional training. However, there is no review examining the role and research foci of AI-Robots in Education (AIRE) research. This study therefore explored the research trends of AIRE by conducting a systematic review of SSCI (Social Sciences Citation Index) journal articles published in the Web of Science (WoS). The study analyzed the participants, duration of the studies, learning environments, application domains, data analysis, evaluations of learners' performance, learning strategies, roles of AI-robots, and research issues. The research findings are concluded as follows: (1) The countries of Canada, Chile, and South Korea invested in AIRE research early, and focused on students' learning performance and learning behavior. (2) Most AIRE research focuses on research targets under the age of 13 and completed experiments within 4 weeks in a physical environment. Most AIRE research has been applied in the disciplines of Language and Science, and problem-solving related strategies and mixed strategies are the most commonly used strategies. (3) AI-robots are often applied and regarded as tutees or tutors. Regardless of what the AI-robot's role is, learning performance is the most widely focused variable in AIRE research. Furthermore, attitudes, opinions of learners or learning perceptions and learning behavior are other frequently discussed themes. To sum up, this study makes several recommendations for AIRE research for educators, researchers, and policy makers in higher education settings as a reference based on the results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle